本研究探讨了在线签名验证中运动学和动态特征的准确测量，特别关注手臂和前臂扭矩。提出了两种方法：一种使用UR5e机器人手臂，另一种通过神经网络进行成本有效的估计。结果表明，简单的神经网络模型能够有效提取签名验证所需的参数，并具有良好的泛化能力。

本文提出了一种基于区间符号和模糊相似度的在线签名验证方法，通过特定参数选择和训练样本实现最小等错误率，显著提高了准确性和鲁棒性。同时，研究探讨了卷积神经网络、特征学习及知识蒸馏在离线签名验证中的应用，展示了在数据稀缺情况下的有效性。

本文提出了一种基于神经网络的任务自适应时间对齐模型，结合注意力机制和度量学习，超越传统的动态时间规整（DTW）方法，尤其在在线签名验证中表现突出。同时，研究还探讨了DTW在光谱时间序列数据中的应用及其改进算法shapeDTW，显著提升了匹配精度。

本文提出了一种使用注意力模型的神经网络模型，具有更大畸变不变性的时间对齐机制，并通过度量学习进行训练。该模型在在线签名验证方面超过DTW并创造了最先进的性能。